Qwen-Image-2.1 LoRA: Welche Adapter existieren, welchen Aufwand das Training eines eigenen mit sich bringt und was die Lizenz tatsächlich sagt

Es gibt ein echtes Ökosystem von Low-Rank-Adaptation-(LoRA-)Adaptern für Qwen-Image-2.1, das einheitliche Generierungs- und Bearbeitungs-Bildmodell des Anbieters, und von Seiten des Anbieters gibt es dazu so gut wie keine Dokumentation. Diese Seite ist die dauerhafte Antwort auf vier Fragen, die ein Leser zusammen eintippt: Stellt überhaupt jemand Adapter für dieses Modell her, wo sind sie zu finden, was braucht es, um einen zu trainieren, und was erlaubt einem die Lizenz mit dem Ergebnis zu tun. Es ist kein Launch-Beitrag. Qwen-Image-2.1 wurde am 20. September 2026 als Open Source veröffentlicht und sein beschleunigter Bruder Qwen-Image-2.1-Turbo folgte am 9. Oktober 2026; beide Daten stehen hier nur, um zu kennzeichnen, um welche Checkpoints es auf dieser Seite geht, nicht um etwas zu berichten.

Die Kurzfassung: Adapter gibt es in geringer Hunderterzahl, sie sind größtenteils Charakter- und Stilarbeiten, die von einzelnen Praktizierenden veröffentlicht wurden, das Training eines solchen ist von mindestens drei Drittanbieter-Toolchains mit veröffentlichten Speichermessungen durchgängig dokumentiert, und die Lizenz – die für diese Generation der Bildmodelle nicht Apache ist – bekräftigt eine nichtkommerzielle Beschränkung für das abgeleitete Werk, die viele der Adapter selbst nicht weitergeben.

Zwei Sätze dazu, was ein LoRA ist, und dann das Modell.

Ein LoRA ist eine kleine Menge von Low-Rank-Gewichts-Deltas, die zur Ladezeit zu einem eingefrorenen Basis-Checkpoint hinzugefügt wird und über den Namen an bestimmte Module adressiert ist; es ist kein Modell, sondern ein Patch, der das Verhalten eines vorhandenen Modells verändert. Da die Deltas gegen bestimmte Gewichte trainiert werden, ist ein Adapter in einer Weise an den Checkpoint gebunden, auf dem er trainiert wurde, die ein Konfigurationsflag nicht beheben kann.

Diese Bindung ist der eigentliche Grund dafür, dass es auf dieser Seite speziell um Qwen-Image-2.1 und nicht um LoRAs geht. Der Checkpoint ist ein 32-schichtiger Single-Stream-Diffusionstransformer mit 7B-Parametern in seiner visuellen Generationskomponente, einem Qwen3-VL 8B Textencoder und einem 64-Kanal-RGBA-VAE, der mit 16-facher räumlicher Kompression arbeitet – alle Angaben stammen aus der Model Card und dem Repository des Anbieters, gelesen am 13. Oktober 2026. Er legt seinen Sampling-Zeitplan zur Aufrufzeit fest, mit 40 Inferenzschritten in den eigenen Beispielen der Model Card. Keines dieser Details ist für Adapter nebensächlich: Die Architektur entscheidet, was eine Datei adressieren kann, und der Zeitplan entscheidet, was von einem Adapter verlangt wird, der mit einer anderen Parametrisierung trainiert wurde.

Was gibt es für dieses Modell, und wie zählt man es ehrlich?

Die untenstehenden Zahlen stammen aus der Hugging Face API und der Civitai API, beide abgerufen am 13. Oktober 2026, und die Abfrage ist wichtig genug, um sie zu nennen, denn dieselbe Frage liefert je nach Formulierung völlig unterschiedliche Antworten.

• Repositories auf Hugging Face, die Qwen-Image-2.1 als ihr Basismodell angeben: 323.

• Davon Repositories, die auch das lora-Tag tragen: 115.

• Adapter auf Civitai, die einem Basismodell-Filter von „Qwen 2.1" entsprechen und bei denen der Typ auf LoRA gesetzt ist: 106. Ein früherer Durchlauf am selben Tag zählte 105; der Filter ist live und die Zahl ändert sich, also behandle sie als Momentaufnahme und nicht als Gesamtzahl.

Beide Zahlen sind Untergrenzen, keine Vollerhebungen. Das Tag von Hugging Face wird vom Uploader vergeben, daher ist ein Adapter, dessen Autor es nicht getaggt hat, für diese Abfrage unsichtbar; die Anzahl der Basismodelle ist genau deshalb größer als die der LoRAs, weil sie auch Quantisierungen, Merges und Repacks erfasst. Auf Civitai ist die Kluft zwischen den Methoden unmissverständlich: Eine einfache Textsuche nach „qwen image 2.1“ liefert 994 einzigartige Modelle, und die meisten davon sind überhaupt keine Adapter dieses Checkpoints – im selben Ergebnis-Set dominieren Workflow-Posts und Dateien, deren angegebenes Basismodell einer völlig anderen Bildgenerierung entspricht. Filtere nach dem Basismodell, nicht nach dem Suchfeld.

Beide Seiten sind der Ort, an dem dieses Ökosystem lebt, und das ist die einzige Behauptung, die überhaupt über eine von beiden aufgestellt wird: Hugging Face ist der Ort, an dem die Trainingsaufzeichnungen und die Datensätze veröffentlicht werden, Civitai ist der Ort, an dem sich die auf Endverbraucher ausgerichteten Adapter und die ComfyUI-Workflows rund um sie sammeln, und keines von beiden ist ein Qualitätssignal. Eine Datei auf einer der beiden kann ein eigenständiges Stück trainierter Arbeit sein oder eine Kopie von jemand anderem.

Wie man einen Original-Adapter von einem neu verpackten unterscheidet

Das ist überprüfbar, und die Prüfung dauert etwa eine Minute. Nimm zwei Repositories, die wie derselbe Adapter aussehen.

akhaliq/Qwen-Image-2.1-Next-Scene-LoRA wurde am 7. Oktober 2026 erstellt. TechnoBaptist/Qwen-Image-2.1-Next-Scene-LoRA wurde am 9. Oktober 2026 erstellt. Ihre README-Dateien sind byteidentisch — gleiche Länge, gleiche MD5 — und die Dateilisten der beiden Repositories stimmen in allen 111 Einträgen überein. Das spätere ist eine Kopie des früheren, samt Beschreibung.

Der weniger offensichtliche Fall ist die Teilkopie. developerjeremylive/Qwen-Image-2.1-Multiple-Angles-LoRA-etheroi enthält 163 Dateien. Jede der 160, die auch in akhaliq/Qwen-Image-2.1-Multiple-Angles-LoRA vorhanden sind, ist identisch in der Größe, und das Repository ist eine echte Teilmenge der 344 Dateien des anderen. Zurückgelassen wurde das gesamte benchmarks/-Verzeichnis, die Sample-Raster pro Checkpoint unter samples/ sowie mehrere Checkpoint-Varianten. Die Adapter-Gewichte sind vorhanden. Der Nachweis, dass der Adapter das tut, was er verspricht, fehlt.

Der praktische Test ist also nicht „Hat es eine schöne Karte?“, sondern ob die Karte die Dinge trägt, die nur daher kommen können, dass man den Lauf absolviert hat:

• Woher die Trainingsdaten stammen, mit einem Link — der Angle-Adapter nennt seine Objaverse-Quelle und seine Lizenz und veröffentlicht die abgeleiteten Paar-Datensätze separat.

• Der Trainer und die Hyperparameter, auf der Ebene von Rang, Alpha, Lernrate, Schrittzahl und Basisgenauigkeit — genug, damit jemand anderes eine Reproduktion versuchen kann.

• Zwischen-Checkpoints statt nur einer finalen Datei, damit die Trainingskurve nachprüfbar ist, statt bloß behauptet zu werden.

• Eine Bewertung, die keine Selbstdarstellung des Autors ist, und ein Abschnitt zu „Umfang und Grenzen“, der benennt, was der Adapter schlecht macht.

Eine Karte mit einem Trigger-Wort, einem Stärkebereich und ein paar hübschen Samples – und sonst nichts – ist kein Beweis für irgendetwas. Sie ist auch kein Beweis für einen Repack – jede Menge ehrlicher Einmal-Adapter sind nur so dünn dokumentiert. Sie bedeutet bloß, dass du keine Anhaltspunkte hast, was für eine Datei, die du gleich in eine Produktions-Pipeline einspeisen willst, die nützliche Schlussfolgerung ist.

Welche Ausbildung man tatsächlich absolviert

Zuerst die ehrliche Einordnung, denn die Kluft ist hier groß: Einen Adapter zu veröffentlichen ist üblich, einen zu trainieren ist eine ganz andere Größenordnung von Unterfangen. Es gibt drei Kosten, und sie sind alle real.

Der Basis-Checkpoint. Die drei Komponenten von Qwen-Image-2.1 kommen über Transformer, Text-Encoder und VAE hinweg auf ungefähr 33 GB — das ist die Summe der im Repository selbst veröffentlichten Dateigrößen, gelesen am 13. Oktober 2026. Das ist das, was angepasst wird, und es schrumpft nicht, nur weil man lediglich einen kleinen Patch obendrauf trainiert.

Die Daten. Eine LoRA lernt ein Konzept nicht aus einer Handvoll Bilder, so wie es ein Prompt tut. Die beiden am besten dokumentierten Adapter in diesem Ökosystem haben ihre Datensätze als erstklassige Artefakte veröffentlicht: Der Kamera-Steuerungs-Adapter wurde in seiner ersten Version auf 5.028 winkelbeschrifteten Paaren trainiert und in seiner zweiten auf 13.328; der Szenenfortsetzungs-Adapter wurde auf 1.144 Bild-für-Bild-Verlaufspaaren trainiert, wobei die Bildunterschriften von einem Vision-Modell für jedes Paar verfasst wurden. Beide davon sind zusammengestellte Datensätze, keine Sammlungen von Fotografien – die Paare mussten generiert, beschriftet und lizenziert werden, bevor das Training begann, und in einem Fall musste das Ausgangsbildmaterial erst auf freizügig lizenzierte Objekte heruntergefiltert werden, bevor es überhaupt verwendet werden konnte.

Die Rechenleistung. Dies ist der Teil mit veröffentlichten Messungen statt bloßem Bauchgefühl. SimpleTuners eigener Quickstart für das Modell liefert VRAM-Presets und, getrennt davon, die dahinterstehenden Speicher-Smoke-Tests: Ein 512px-Rezept mit Gradient Checkpointing bei jedem Schritt hielt ein 24-GiB-Allokationslimit ein, während es Spitzenwerte von 20,06 GiB zugewiesenem und 21,10 GiB von PyTorch reserviertem Speicher erreichte. Ein Multi-Resolution-Rezept bei 32,49 / 41,21 GiB bestand auf einer L40S, aber unter einer 32-GiB-Obergrenze ging ihm der Speicher aus. Die Autoren stellen ausdrücklich klar, dass es sich um Speicherprüfungen auf begrenzten Teilmengen handelt, nicht um Durchsatz- oder Konvergenzmessungen, und dass die niedrigeren Budgets auf einer L40S simuliert wurden, statt auf ihren nominalen Karten ausgeführt zu werden. So wie veröffentlicht gelesen, sagen sie etwas Einfaches: Die Untergrenze für dieses Modell ist eine 24-GB-Karte, die nur mit 512px läuft, und 48 GB oder mehr sind der Bereich, in dem die Multi-Resolution-Rezepte, die das Framework tatsächlich empfiehlt, verfügbar werden.

Die Zeit ist der leisere Kostenfaktor, und fast niemand veröffentlicht sie. Öffentlich sind die Schrittanzahlen – 2.000 Updates im 24-GB-Preset, 4.000 in den größeren, mit Validierung und Checkpointing alle 250 – sowie Checkpoint-Zahlen im niedrigen Tausenderbereich aus den eigenen Trainingsaufzeichnungen der Adapter. Die Preset-Tabelle von SimpleTuner gibt Update-Budgets für jede VRAM-Stufe an und sagt unmissverständlich, dass sie Ausgangspunkte sind, die erst nach Prüfung der Checkpoint-Bilder erweitert werden sollten. Niemand hat Wanduhrstunden für einen reproduzierbaren Lauf veröffentlicht, also ist jede Zahl, die man für die Dauer zitiert sieht, jemandes Grafikkarte und jemandes Datensatz, keine Spezifikation.

Dagegen ist das Tooling wirklich gut, und das ist der Teil, der sich so kürzlich geändert hat, dass es sich lohnt, ihn zeitlich einzuordnen. Der Anbieter verweist auf ModelScopes DiffSynth-Studio, dessen Repository ein funktionierendes LoRA-Trainingsskript für diesen Checkpoint mitliefert und, separat, für die Turbo-Variante – ein einziges accelerate launch mit Rank 32, AdamW bei 1e-4, fünf Epochen, einem maximalen Pixelbudget von 1.048.576 und Gradient Checkpointing. SimpleTuners Quickstart ist das detaillierteste öffentliche Rezept und ungewöhnlich ehrlich über seine eigenen Grenzen. ai-toolkit listet sowohl Qwen-Image-2.1 als auch Qwen-Image-2.1-Turbo unter seinen unterstützten Architekturen auf, und zwei der oben beschriebenen Adapter sind laut eigener Angabe damit trainiert worden. Und am 12. Oktober 2026 hat musubi-tuner einen Pull Request gemergt, der Unterstützung für Qwen-Image 2.1 hinzufügt und LoRA-Training, vollständiges Fine-Tuning, Trainingsvorschauen sowie die Konvertierung zwischen Diffusers und dem eigenen LoRA-Format abdeckt; das Feature-Request, mit dem dies angefragt wurde und das am 24. September eröffnet wurde, ist weiterhin offen. Dieser Merge liegt drei Tage vor dem Datum auf dieser Seite, und es handelt sich um eine Tooling-Änderung und nicht um ein Model-Release – er bedeutet, dass ein vierter Trainer verfügbar wurde, nicht dass sich irgendetwas am Modell geändert hätte.

Es gibt noch eine Einschränkung, die Leute erwischt, die LoRAs für andere Architekturen trainiert haben. Die Ausgabe dieses Modells hat keinen Alpha-Schalter. Das VAE arbeitet im vierkanaligen RGBA-Pixelraum, und der vierte Kanal wird als Alpha dekodiert, sodass Transparenz allein durch den Prompt erzeugt wird – und durch nichts sonst. Die Dokumentation des Anbieters selbst erklärt, dass es in der gesamten Pipeline keine alpha-bezogene Steuerung gibt. Ein auf undurchsichtigen Bildern trainierter Adapter verändert die Verteilung, die der Prompt steuert; er hat keinen separaten Transparenzregler, auf den er zurückfallen könnte. Wenn Ihre Pipeline auf Freistellungen angewiesen ist, ist das eine Eigenschaft des Basismodells, das Sie nutzen, und es lohnt sich, das zu testen, bevor Sie dafür einen Trainingslauf starten.

Was die Lizenz über den Adapter sagt, den Sie herstellen

Lies die Datei, denn die Antwort ist nicht das, was ein permissiv klingendes Release nahelegen würde. Qwen-Image-2.1 wird unter der Qwen Research License Agreement vom 20. September 2026 ausgeliefert — ein 7.831-Byte-Dokument, das unverändert in das Turbo-Repository übernommen wurde, dessen Kopie byte-identisch ist. Es ist nicht Apache 2.0, und die frühere Qwen-Image-Reihe war es.

Die Klausel, die über das meiste davon entscheidet, ist die Einräumung. Abschnitt 2(a) lizenziert Ihnen die Materialien „zu verwenden, zu vervielfältigen, zu verbreiten, zu kopieren, abgeleitete Werke davon zu erstellen und Änderungen daran vorzunehmen“, und schränkt all das dann ein: „AUSSCHLIESSLICH FÜR NICHTKOMMERZIELLE ZWECKE“. Abschnitt 1(i) definiert nicht-kommerziell als „ausschließlich für Forschungs- oder Evaluierungszwecke“, was enger gefasst ist als „gemeinnützig“ – interne geschäftliche Nutzung wird davon nicht ausgenommen. Abschnitt 2(b) besagt, dass kommerzielle Nutzung eine gesonderte Lizenz erfordert, die unter der im Vertrag angegebenen Adresse zu beantragen ist. Ein Adapter, der auf diesem Checkpoint trainiert wurde, ist ein davon abgeleitetes Werk, also wandert die Beschränkung mit dem Adapter mit; er wird nicht dadurch kommerziell nutzbar, dass Sie ihn selbst trainiert haben.

Zwei Dinge, die es wert sind, beachtet zu werden, weil beide gängigen Annahmen widersprechen.

Zunächst einmal schweigt die Lizenz nicht zum Training – sie befasst sich direkt damit. Abschnitt 4(b) besagt, dass Sie, wenn Sie die Materialien oder deren Ausgaben dazu verwenden, „ein KI-Modell zu erstellen, zu trainieren, feinabzustimmen oder zu verbessern, das verbreitet oder verfügbar gemacht wird“, in der zugehörigen Produktdokumentation gut sichtbar „Built with Qwen“ oder „Improved using Qwen“ anzeigen müssen. Das Fine-Tuning wird also namentlich behandelt und bringt eine Kennzeichnungspflicht mit sich statt einer Erlaubnisfrage.

Zweitens ist die Weitergabe ausdrücklich gestattet, jedoch mit Bedingungen. Abschnitt 3 erlaubt Ihnen, abgeleitete Werke in Quell- oder Objektform zu verbreiten, sofern Sie den Empfängern eine Kopie der Vereinbarung aushändigen, geänderte Dateien kennzeichnen und eine Hinweisdatei mit folgendem Wortlaut beibehalten: „Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved.“ Abschnitt 4(c) verbietet die Verwendung von „Qwen“ als primären Namen oder Identifier Ihres abgeleiteten Werks – die beschreibende Verwendung ist ausdrücklich zulässig. Abschnitt 5(a) bestätigt, dass Sie Ihre Änderungen besitzen, sofern Sie die Bedingungen einhalten. Für Streitigkeiten gilt chinesisches Recht, und sie fallen in die Zuständigkeit der Gerichte in Hangzhou.

Das sind kohärente, lesbare Verpflichtungen. Der unbequeme Befund ist, wie oft das Ökosystem sie nicht erfüllt. Von den Adaptern, die bei der Recherche für diese Seite als Stichprobe untersucht wurden, liefert einer – ein Step-Distillation-Adapter für den Basis-Checkpoint – den Lizenztext und eine Hinweisdatei, die den erforderlichen Attributions-String wörtlich enthält, plus einen Lizenzabschnitt in seiner Modellkarte, der die nichtkommerzielle Beschränkung und den kommerziellen Kontakt wiederholt. Mehrere andere, darunter zwei der am häufigsten heruntergeladenen Kamera-Steuerungs- und Szenenfortsetzungs-Adapter, geben apache-2.0 in ihren Metadaten an, liefern überhaupt keine Lizenzdatei mit und enthalten keinen Attributionshinweis. Ihre Modellkarten beanspruchen keine Apache-Rechte an den Basisgewichten; das Metadatenfeld ist schlicht falsch, und es ist das Feld, das ein nachgelagertes Tool lesen wird. Wenn Sie derjenige sind, der auf einem Adapter aufbaut, lesen Sie die Lizenz des Basismodells selbst, anstatt dem Tag auf der Modellkarte des Adapters zu vertrauen – und wenn Sie derjenige sind, der veröffentlicht, ist die korrekte Paketierung nicht kompliziert, sie muss nur bewusst gemacht werden.

Kompatibilität und das Eine zu „turbo"

Ein Adapter läuft auf dem Checkpoint, den sein Trainingsprotokoll angibt. Für die meisten der hier vorhandenen Adapter ist das Qwen-Image-2.1 selbst, und dort sollten sie geladen werden. Der Turbo-Checkpoint ist ein Fine-Tune derselben Architektur und kein anderes Modell – die beiden teilen ihren Modulbaum, weshalb ein auf der Basis trainiertes Adapter sehr wahrscheinlich auf Turbo geladen werden kann –, aber er speichert seinen eigenen achtstufigen Sampling-Zeitplan im Checkpoint und durchläuft eine Denoising-Trajektorie, innerhalb derer der Adapter nicht trainiert wurde. Ob diese Kombination korrekt funktioniert, ist von niemandem dokumentiert, auch nicht vom Anbieter.

Es gibt auch eine Namensfalle: Der Ausdruck „Turbo-LoRA“ deckt zwei gegensätzliche Artefakte ab, einen Adapter, der auf dem Turbo-Checkpoint trainiert wurde, und einen Destillationsadapter, der den Standard-Checkpoint in einen Few-Step-Checkpoint verwandelt. Das sind unterschiedliche Dateien mit unterschiedlichen Aufgaben. Die Frage Basis-Checkpoint versus Turbo und die zwei Bedeutungen des Turbo-Adapters haben ihre eigene Seite auf diesem Stamm — Qwen-Image-2.1-Turbo LoRA — und diese Seite wird nicht zu einer zweiten Kopie davon werden. Wenn du Turbo und einen Adapter hast, der den Standard-Checkpoint benennt, lies diese Seite, bevor du irgendetwas lädst.

Zwei benachbarte Fragen gehören ebenfalls woanders hin. Quantisierte Checkpoints – GGUF, FP8, INT4 und der Rest – sind ein anderes Thema mit einer anderen Seite; ein in einer quantisierten Pipeline verwendetes LoRA ist ein Kompatibilitätshinweis auf jener Seite, kein Abschnitt auf dieser. Und das Modell, das in einem bestimmten Tool läuft, ist wiederum eine eigene Frage, mit eigenen Dateilisten und eigenen Fehlermodi.

Was bricht, und was nicht geklärt ist

Die Fehlerberichte bündeln sich zu drei Ursachen, und jede einzelne davon wurde von jemandem dokumentiert, der die Arbeit durchgeführt hat, anstatt nur vermutet zu werden.

Ein Adapter, der lädt und nichts bewirkt. Der konkreteste Fall ist eine Nichtübereinstimmung bei der Schlüsselbenennung: Die eigene Card eines Adapters gibt an, dass seine Rohdateien im Trainer-Format die fused-MLP-Schlüsselbenennung dieses Trainers verwenden, die Diffusers „stillschweigend überspringt“ – das Laden gelingt, es wird kein Fehler ausgelöst, und der Adapter hat keine Wirkung. Die Datei funktioniert mit ihrem eigenen Loader und nicht mit dem gängigen. Das ist ein Unterschied im Dateilayout, nicht im Basis-Checkpoint, und es lohnt sich, das auszuschließen, bevor man etwas anderem die Schuld gibt.

Ein Adapter, der nicht zugehörige Prompts ruiniert. Dies ist ein Problem von Lernrate und Dauer, und es gibt eine Messung: In einer veröffentlichten Ablation hat ein Lauf mit 3e-4 „bis Update 500 alle vier Validierungs-Prompts stark verschlechtert“, wobei nicht zugehörige Motive – ein Fuchs, ein Porträt – sich in das trainierte Konzept verwandelten. Die Studie desselben Autors mit längerem Training berichtet von der entgegengesetzten Falle: In einem Lauf verbesserte sich ein Prompt bis Update 3.500, verschlechterte sich bei 4.000 und erholte sich bis 10.000, sodass ein schlechter Zwischen-Checkpoint kein Beweis dafür ist, dass der Lauf fehlgeschlagen ist. Dieser zweite Befund wird ausdrücklich als qualitative Progression aus einem einzelnen Lauf und einem einzelnen Validierungs-Seed gekennzeichnet, wobei keine Testfehlerkurve gemessen wurde und die Erholung als prompt-abhängig beschrieben wird. Betrachten Sie es als Grund, jeden Checkpoint nach 250 Schritten aufzubewahren, nicht als Rezept.

Ein Adapter, der funktioniert – und dann kumuliert. Der Szenenfortsetzungs-Adapter dokumentiert eine gemessene Verschlechterung bei verketteter Nutzung: Naives Verketten bei Stärke 0,9 akkumuliert Filmkorn bis zum dritten oder vierten Durchlauf zu sichtbarem Farbrauschen, und der verifizierte Workaround des Autors ist eine Stärke von 0,7 oder darunter plus ein halbpixeliger Gaußscher Weichzeichner auf jeder verketteten Eingabe. Dieselbe Karte räumt offen ein, dass Transformationen bei späten Durchläufen konservativ bleiben, und nennt dies eine Einschränkung der Trainingsdaten statt ein Einstellungsproblem.

Unter allem liegt eine Reihe von Dingen, die wirklich nicht gesichert sind, und es lohnt sich, sie zu benennen, statt sie auszufüllen. Niemand hat einen Qualitätsvergleich zwischen Qwen-Image-2.1 und Qwen-Image-2.1-Turbo veröffentlicht, es gibt also keine Vergleichsbasis, anhand derer man beurteilen könnte, was ein beliebiger Adapter mit einem von beiden macht. Niemand hat veröffentlicht, ob ein Standard-Checkpoint-Adapter auf Turbo korrekt funktioniert. Der Anbieter dokumentiert das LoRA-Training nur einmal, und zwar im ModelScope-Abschnitt des Projekt-Repositorys, wo auf ein Drittanbieter-Framework verwiesen wird; die Modellkarte selbst enthält keinerlei Hinweise zu Adaptern, und der Text-Encoder des Checkpoints ist eine Komponente, die die Community bereits begonnen hat, separat erneut zu veröffentlichen, was eine eigene Kompatibilitätsfrage ist. Und jede Zahl auf dieser Seite ist eine Momentaufnahme eines zwei bis drei Wochen alten Ökosystems, ausgelesen an einem einzigen Tag — der Civitai-Filter und die Hugging-Face-Abfrage nach dem Basismodell werden nächsten Monat beide falsch sein, und zwar in Richtung höherer Werte.

Wenn Sie entscheiden, was Sie heute tun, ist die Reihenfolge, die all diese Lücken übersteht, kurz. Lesen Sie zuerst das Trainingsprotokoll des Adapters, nicht seine Samples – wenn es keinen Eintrag gibt, behandeln Sie die Datei als nicht zugeordnet und testen Sie sie mit Ihrem eigenen Prompt, bevor Sie darauf aufbauen. Ordnen Sie den Adapter dem Checkpoint zu, den sein Eintrag nennt, und wenn Sie Turbo verwenden, lesen Sie zuerst die Turbo-Seite. Prüfen Sie, in welchem Loader-Format die Datei vorliegt, bevor Sie schlussfolgern, dass sie defekt ist. Und lesen Sie die Basis-Lizenz einmal, denn sie regelt den Adapter, unabhängig davon, was die Karte des Adapters über sich selbst behauptet. Wählen Sie dann Ihren Trainer, beginnen Sie mit dem kleinsten VRAM-Preset, das Ihre Karte unterstützt, und beurteilen Sie das Checkpoint-Raster statt die endgültige Datei.